论文部分内容阅读
在基于位置的社交网络中,人们可以通过签到行为向社交网络上的其他用户分享自己的位置和参加的活动,海量的签到数据为挖掘用户偏好提供了机会。兴趣点推荐不仅能够帮助用户发现更多有趣的地点,而且还能够帮助商家发现更多潜在客户从而增加收入,因此兴趣点推荐在学术界和工业界成为热门研究内容。兴趣点推荐作为传统推荐系统的分支,已有学者对其展开了大量研究,但现有的研究方法基本都来自于传统方法,没有考虑到移动环境的复杂性,存在一些局限。大多数研究在分析移动环境下用户行为时,仅考虑单一因素对用户行为的影响,忽略了多种因素对用户行为决策的影响,导致推荐效果较差。为解决以上问题,本文提出了两种考虑多重因素的个性化兴趣点推荐算法,主要工作包括:(1)分析了目前兴趣点推荐系统的研究背景、研究现状、相关理论以及当前兴趣点推荐算法存在的不足。(2)在基于用户的协同过滤方法基础上,本论文使用TF-IDF技术表征用户对地点的偏好,并将其引入用户相似度计算过程中,然后又针对大部分工作考虑地理影响不全面和传统社交网络对用户的影响在移动环境下的局限性,提出一种融合个性化偏好、地理距离、地点流行度和社会信誉度的算法TSG,在Brightkite数据集上的实验结果表明本文提出的TSG算法能够有效提高推荐效果。(3)本论文考虑目前研究较少的用户对地点类别的偏好,地点类别是对地点功能和语义的提炼,用户对地点类别的喜好程度能更准确说明用户兴趣。针对用户间地点类别偏好比用户对地点的偏好存在更高的相似性这一现象,本论文引入社会正则化,提出基于地点类别和社交网络的兴趣点推荐算法CSRS,在Yelp数据集上的实验结果表明CSRS算法能够有效提升推荐效果。(4)基于以上研究,设计和实现了一个餐馆推荐原型系统CoolFeed。该系统具有签到、对餐馆评分和评论、个性化推荐等功能,从用户签到数据、餐馆位置信息、餐馆类别信息和社交网络数据中挖掘用户地点偏好和类别偏好,然后为用户产生个性化餐馆推荐。